AIと神経難病・神経免疫疾患 ── 遺伝性神経変性疾患 ── 2026-10-26

対象誌と選び方は索引の頁に

遺伝性神経変性疾患（脊髄小脳変性症・ハンチントン病など）の治療・治験とAI

• MLP エンコーダーとハイブリッド最適化手法による、小脳性運動失調を検出する軽量なマルチモーダル深層学習の枠組み
  Lightweight Multimodal Deep Learning Framework for Cerebellar Ataxia Detection Using an MLP Encoder and Hybrid Optimizer.
  Perceptual and motor skills · 2026-10-24 · 証拠の段階: 公開データセットを用いた前臨床段階のモデル開発研究（後ろ向き）
  抄録（全訳）

  背景：小脳性運動失調では、歩行、発話、眼球運動、協調運動に異常が出る。そのため、正確に検出するのは難しい。

  目的：本研究では、小脳性運動失調を検出するための、軽量なマルチモーダル深層学習（DL）の枠組みを開発する。 研究デザイン：提案手法では、別々の公開データセットから、声、視線、体の姿勢の特徴を取り込む。そのうえで、クラス単位で特徴を融合し、運動と行動について互いに補い合う手がかりを捉える。こうして、運動と行動の手がかりを互いに補う形で捉える。細かな特徴量（MFCC、声の摂動指標、視線の固視の動態、時空間的な姿勢特徴）は、Python 互換のツールで抽出した。具体的には、メル周波数ケプストラム係数（MFCC）と声の揺らぎの指標、視線の固視の動き、体の姿勢の時空間的な特徴である。各モダリティは、それぞれ専用の多層パーセプトロン（MLP）ベースのエンコーダーで処理し、小さな埋め込みにする。これらの埋め込みを特徴量の連結で融合し、全結合の MLP 分類器で処理する。臨床データは量が限られ、ノイズも多い。数が限られ雑音も多い臨床データでも、安定して収束し頑健に汎化できるよう、新しいハイブリッド最適化手法 Adaptive Sharp-Lookahead Lite を使った。

  結果：採用した実験設定のもとで、提案した枠組みは運動失調と正常例を 99.56% の正解率で見分けた。

  結論：この枠組みは、資源の限られた環境で使える軽量な AI スクリーニング手法となる可能性を示した。

  掲載誌の IF 相当：2.5（OpenAlex の直近 2 年の平均被引用数・2026-10-25 時点の値、2026-10-26 に取得。正式な IF（Clarivate）ではない）
  書誌：A N, V S. Lightweight Multimodal Deep Learning Framework for Cerebellar Ataxia Detection Using an MLP Encoder and Hybrid Optimizer. Percept Mot Skills. 2026 Oct 24 [Epub ahead of print]. doi:10.1177/00315125261501241. PMID: 42925486.
  確認の範囲：抄録のみ確認

← この号の目次へ